Un système d'inspection optique automatisé (AOI) basé sur des règles pré-établies et des techniques conventionnelles de traitement d'images peut généralement effectuer une inspection rapide et correcte. Cependant, le système détecte parfois des anomalies cosmétiques causées par des variations de processus qui n'affectent pas les performances de la matrice. Les matrices sont considérées défectueuses simplement parce qu'elles ne satisfont pas aux critères de détection du système AOI.

La mise au rebut systématique des matrices avec des défauts acceptables peut causer des déchets importants et inutiles. De plus en plus de fonderies de plaquettes cherchent à réduire ces excès pour éviter le gaspillage et améliorer les rendements.

Étude de cas d'une fonderie

Prenons un exemple tiré d'un cas d'utilisation réel. Dans le processus de fabrication des plaquettes, les fissures sont généralement considérées comme des défauts graves susceptibles d'entraîner une mauvaise fiabilité du produit final. Cependant, il est possible qu'il y ait d'autres variations visuelles qui entraînent des déchets AOI à la même position. Prenons l'exemple du débordement, celui-ci n'affecte généralement pas les performances de la matrice et est considéré comme un défaut acceptable. Cependant, les fissures et les débordements se ressemblent beaucoup en termes de couleur ou de motif, ce qui fait que l'AOI traditionnelle considère souvent à tort les débordements comme des fissures à cause d'un manque de capacité d'abstraction, ce qui entraîne un excès élevé et inattendu. Après examen, la proportion de fissures réelles peut ne représenter que 10 % des défauts, alors que les débordements acceptables peuvent atteindre jusqu'à 90 %, ce qui se traduit par un nombre incroyablement élevé d'excès.

Combiner l'AOI et l'IA pour éviter les erreurs de classification des matrices

Lorsque l'AOI conventionnelle basée sur des règles est de moins en moins capable de distinguer les défauts réels des anomalies cosmétiques acceptables, des outils d'intelligence artificielle (IA) plus polyvalents sont nécessaires pour renforcer les capacités de l'AOI.
La principale différence entre l'IA et l'inspection AOI est que l'IA ne nécessite pas de définir des règles. Grâce à un étiquetage efficace des défauts et à l'apprentissage profond, l'ordinateur peut apprendre des informations interconnectées à partir d'une myriade de caractéristiques variables, permettant au système d'effectuer des jugements précis.

Dans ce cas, les « fissures » et les « débordements de motifs » sont d'abord étiquetés et appris séparément. Pendant l'inspection automatisée de la production, l'AOI effectue des inspections dans différentes régions d'intérêt (ROI). Les défauts détectés par l'AOI peuvent inclure les fissures et les débordements. Ensuite, en utilisant l'inférence de l'IA pour effectuer une classification précise, les débordements peuvent être reclassés dans la catégorie des « bons produits » pour éviter l'excès et le gaspillage qui en résulte.

En combinant l'IA et l'AOI, le Chroma 7945 résout avec succès ce problème ancien auquel sont confrontées de nombreuses fonderies de plaquettes. Cette solution permet d'atteindre les objectifs suivants

1. Réduire significativement le taux d'excès de 90 % à 2 %.
2. 2. Solution en un coup pour réduire les excès d'AOI, possibilité de reclasser les excès en matrices de passage en temps réel.
3. 3. Reclasser des matrices spécifiques pour minimiser l'impact sur le temps de traitement de l'IA.

Le Système d'inspection de plaquettes en cours de fabrication Chroma 7945 utilise l'apprentissage profond avec l'IA pour classer avec précision les résultats de la détection AOI. Cela résout efficacement le problème de l'AOI qui est incapable d'intégrer des règles abstraites et d'empêcher l'excès causé par une évaluation incorrecte de la variation acceptable.

Pour en savoir plus sur nos produits et solutions, veuillez visiter notre site Web et laisser vos coordonnées. Nous serons heureux de vous aider !